多 Agent vs 单 Agent：Pi 社区实战总结
文章总结了 Pi 社区关于多 Agent 与单 Agent 使用的实战经验。单 Agent 适合简单和密集上下文任务，多 Agent 适合可拆分的大任务，但需承担上下文转移、重复工作、验证和编排成本。作者还介绍了 pi-workflow 工具，通过 JSON 规范标准化多 Agent 工作流。
相关文档
DeepSeek Harness 从 0 到 1 全攻略｜一文读懂
文章系统介绍了 DeepSeek Harness，强调它不是单纯的模型聊天界面，而是把模型、工具、会话、沙箱、工作流、调度和 UI 都插件化的 Agent 运行框架。内容涵盖安装启动、Web UI 与远程访问的安全风险、4 种 Agent 模式的权限取舍、Trajectory 执行轨迹带来的可调试性、多模型接入降低供应商锁定、'一切皆插件'的架构理念、会话分支用于并行验证假设，以及 Dynamic Workflow 和 Agent Teams 实现多 Agent 协作的任务拆分与汇总。作者认为其价值在于让 Agent 成为可配置、可观察、可复用的执行系统，但仍处 developer preview 阶段，需谨慎对待权限与数据安全。
4 大技巧，教你打造高效的 AI Agent 团队！
文章解读了 Anthropic 官方发布的《打造高效的人机协作团队》，总结了让 AI 高效融入团队的 4 条经验：一是写清楚协作信息，通过会议纪要、聊天记录总结、企业知识库、项目配置文件给 AI 提供背景；二是给 AI 和人类分好工，用 Skills 文件定义 Agent 角色，实现多 Agent 协作；三是设定'北极星'目标，让 AI 主动提出建议；四是循序渐进地与 AI 建立信任。作者结合知乎回答工作流等实例，指出 AI 不会拯救混乱的团队，只会放大团队原本的样子。
用WorkBuddy项目空间组织虚拟项目组：一人开四条工作线
文章介绍如何在WorkBuddy中用项目空间组织多Agent虚拟项目组。核心观点是：多Agent的关键不在数量而在接口设计。提出最小可用结构：一个主任务管理依赖与验收，加上调研、数据、内容、设计四条单一交付的工作线，通过固定交接合同连接。文章详细说明了并行与串行任务的划分、三个冻结里程碑（事实、正文、发布）、冲突回到源任务修正的处理机制，以及单线与整项目的验收标准，帮助个人真正获得并行工作能力。
我用AI给海外商家做网站，月收入达到了六位数 pt. 2
作者分享用AI为海外小商户建网站实现月入3万英镑的经验，从营销、搭建、交付三方面补充细节。营销上通过GoogleMap等渠道检索联系方式，以学生身份降低信任成本；搭建采用基于Hermes的自研多agent架构，实现自动化工作流；交付注重低维护和合理定价。最后提醒市场已饱和，但方法可迁移。
只用 Codex 原生功能，新手也能用 Graph Engineering 跑起多 Agent 工作流
本文介绍如何仅利用 Codex 的原生机制，通过一个提示词实现轻量级 Graph Engineering。作者展示了如何设置“总包”和“Worker”角色，无需编写编排代码即可实现多 Agent 协作、审核与进度管理，提供了可直接复用的最小模板。
0成本复刻价值2999元的写作专家团
文章介绍了如何利用多Agent协作系统，低成本复刻付费写作专家团功能。作者分享了搭建思路、个人风格训练方法及多轮审稿流程，帮助创作者通过AI工具实现高效、个性化的写作。
我连续跑了几个月 Hermes Agent，最后发现：99% 的人根本没用对 AI Agent
文章通过作者几个月的实际测试，深入探讨了 Hermes Agent 与 ChatGPT/Claude 的核心区别：Hermes 具备本地记忆、自我改进和经验沉淀能力，越用越懂你。文章详细介绍了安装步骤、模型选择策略（如 GPT-5.5 起步）、Telegram 消息配置及核心指令，并提出了将 AI 视为“长期员工”而非简单工具的 8 大应用场景与安全建议。
AI 不好用，99%是数据问题
文章指出企业 AI 应用效果不佳的核心原因在于数据治理，而非模型本身。公网 AI 无法访问企业核心私有数据。文章提出解决方案：利用知识库（RAG）处理文档与客服培训，通过 MCP 协议打通复杂数据库，并采用多 Agent 协作模式整合数据源、分析与报告生成。强调企业 AI 升级是系统工程，旨在实现从通用 AI 到私有 AI 的转变。
如何构建一个每月20美元完成5人工作的AI智能体（完整教程）
文章介绍了一套完整的多Agent系统架构，旨在通过构建5个专业化AI智能体（研究、内容、客服、运营、分析），替代初级到中级员工的工作流程。文章详细阐述了每个Agent的Prompt设计、N8N工作流自动化配置及Voice Profile（语音档案）提取方法，强调以专业化分工替代通用AI，实现高效、低成本的业务自动化。
Grok Bot Engineering: 像SpaceXAI一样打造你自己的Bot团队
本文深入介绍xAI（文中称SpaceXAI）的Grok Bot如何运作：每个Bot运行在持久化的云端Linux虚拟机上，拥有浏览器、文件系统和终端。核心亮点是'团队化'使用模式——以Chief of Staff为中心，配合各司其职的专家Bot，并由人工审批关键操作。文中以客服事件处理为例：三个Bot（IncidentWatch、Support Bot、IncidentSweep）协作，10分钟内清理204个工单。文章分7部分讲解Bot的组织架构、工程harness、技能与记忆、审批机制及可复制的搭建方案。
Harness engineering for a new hire: the AI employee's first hours on my motion workflow
作者将一名名为 Viktor 的 AI 员工接入工作室的 Slack，并把自己的 motion 工作流交付包交给它检查。首次任务是检查 harness ZIP 包（8 个 Markdown 指令文件和 4 个辅助文本），为读者准备快速上手指南和交接清单。Viktor 返回四份文档，并发现七个在 README 中被引用但未包含在交接中的 QA 和溯源记录——这是作者自己的遗漏。作者随后纠正：指定 LAUNCH-PROMPT.txt 为主路线，补充七个 QA 记录，并要求将读者说明控制在 80 字内。文章详细记录了任务下达、首轮审查、纠正与修订、说明批准和最终结果，展示了如何通过明确的上下文、输出定义和人工审核步骤来有效管理 AI 协作者。
How I work with Agents
Thorsten Ball 分享了 2026 年 10 月他与 AI Agent 协作的工作方法：使用最新最强的模型，不必担心代码库积累 slop；提示时描述 What 而非 How；让 agent 贯通整个软件开发生命周期（运行、部署、看日志、处理 bug 报告），并为其提供定制工具；通过盲测实验评估 agent 对代码库知识的利用；不要手动管理上下文，让 compaction 工作；请求不可反驳的证明（端到端演示、前后对比数据）；拥抱异步工作流，给 agent 更大任务；利用定时唤醒等自动化功能；只审查高影响范围的代码。这些实践展示了 agent 驱动开发的新范式。
